基于一个序列阵列的模拟计算平台有效地处理实时视频
随着人工智能模型越来越高级，电子工程师一直在尝试开发新硬件，这些硬件更适合运行这些模型，同时还限制了功率消耗并提高处理数据的速度。旨在满足机器学习算法需求的一些最有前途的解决方案是基于回忆录的平台。
备忘录或内存电阻是电气组件，即使在没有电力的情况下，也可以保持其电阻，从而根据通过它们的电荷来调节其电阻。这意味着他们可以同时支持信息的存储和处理，这对于运行机器学习算法可能是有利的。
基于Memristor的设备可用于开发用于运行AI模型的更紧凑，更节能的硬件，包括称为边缘计算系统的新兴分布式计算解决方案。尽管有优势，但许多现有Memristor已经发现基于基于的平台具有明显的局限性，从而对其可靠性和耐力产生了不利影响。
韩国高级科学技术学院（KAIST）和大韩民国其他研究所的研究人员最近开发了一个基于无选择的回忆录阵列的新的模拟计算平台。
这个平台，在纸发表在自然电子，发现有效而可靠地处理实时视频的AI算法。
Hakcheon Jeong，Seungjae Han及其同事在论文中写道：“基于备忘录阵列的系统面临挑战，该挑战是由于可靠性问题而实施实时AI算法，该算法由于可靠性问题，例如产量低，均匀性和耐力问题，” Hakcheon Jeong，Seungjae Han及其同事在论文中。“我们报告了一个基于无选择的模拟回忆阵列的模拟计算平台。”
研究人员的平台由1,024个由氧化钛制成的回忆录（Tiox），以32 x 32网格排列。发现这些回忆录可以可靠地存储和处理馈送到机器学习算法的信息，并且随着时间的推移始终如一地工作。
Jeong，Han及其同事写道：“我们使用具有逐渐氧的氧化钛回忆录，具有较高的可靠性，高线性，无属性和自我分离。”
“我们的平台由一个无选择的（一个启用器）1 k（32）横杆阵列，外围电路和数字控制器组成赔偿操作或预处理”
为了评估其模拟计算平台的潜力，研究人员进行了各种测试，他们使用它来运行AI模型，以实时处理采用在线培训计划的视频。该框架用于训练模型，以区分视频和静态背景中的动态元素。
“我们通过实时视频前景和背景分离来说明系统的功能，达到平均峰值信号到 -噪声比30.49 db的结构相似性指数量度为0.81；这些价值与理想情况的模拟相似。”研究人员写道。
到目前为止，由Jeong，Han及其同事开发的新的基于Memristor的平台取得了非常有前途的结果，从而实现了直接从相机流传输的实时视频的高效和可靠处理。
将来，它可以进一步改进，并在更广泛的实时数据处理任务上进行评估，这有可能有助于Edge Computing解决方案的发展。
更多信息：Hakcheon Jeong等人，在基于无选择的Memristor阵列的模拟计算平台上进行自我校准的自我监督视频处理，自然电子（2025）。doi：10.1038/s41928-024-01318-6。©2025科学X网络
引用
：基于一个序列阵列的模拟计算平台有效地处理实时视频（2025年，1月22日）检索2025年1月24日摘自https://techxplore.com/news/2025-01-Analog-platform，基于memristor-array.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《基于一个序列阵列的模拟计算平台有效地处理实时视频》的评论
暂无评论